适应性标签改进网络用于复合故障诊断中的域泛化

科学领域:

• 机器学习 机器学习
• 人工智能的人工智能
• 工业故障诊断 产业故障诊断

背景情况:

• 域泛化 (DG) 对于现实世界故障诊断至关重要,但由于复合故障和有限的多源数据而受到挑战.
• 现有的 DG 方法往往需要大量的数据,这对于工业环境来说是不切实际的,因为成本和运营限制.
• 硬标签和标签光滑不充分表示复杂的故障关系,阻碍跨领域的稳定性.

研究的目的:

• 开发一种新的自适应标签精细化网络 (ALRN),以在复合故障诊断中有效地进行域泛化.
• 在资源稀缺条件下 (一个或两个源域) 使用不完美的标签来实现强大的模型训练.
• 创建更丰富,更强大的软标签,捕捉类间的语义相似性.

主要方法:

• 设计了一个自适应标签改进网络 (ALRN),利用卷积神经网络 (CNN) 进行初始预测.
• 使用样本智能的交叉损失作为适应权衡因子来计算预测的加权平均值的代标签细化.
• 基于最大-最小Kullback-Leibler (KL) 差异比率的标签精制稳定系数被提议用于评估标签质量并确定代终止.

主要成果:

• 与传统的CNN基线相比,ALRN在未见的操作条件下实现了超过22%的精度增长.
• 拟议的方法表明,只有一个或两个来源领域的培训,表现优越.
• 精致的软标签有效地编码故障类之间的语义相似性,提高诊断准确性.

结论:

• 适应性标签改进网络 (ALRN) 提供了一种新且实用的解决方案,用于在不完善的监督下跨域复合故障诊断.
• ALRN显著提高跨领域的诊断性能,特别是在资源稀缺的条件下.
• 该方法提供了一种强大的学习方法,使用不完美的标签来学习,提高模型概括能力.